Alibaba, OSWorld-Verified kıyaslamasında %86,1 başarı oranı yakalayan 2,4 trilyon parametreli bir Mixture-of-Experts (MoE) modeli olan Qwen3.8-Max'i tanıttı; Alibaba, bu puanın GPT-5.6, Sol Max ve Fable 5'i geride bıraktığını belirtiyor. Bu kıyaslama, bir yapay zekanın bir işletim sistemiyle etkileşime girme, yazılım yükleme ve kod hata ayıklama yeteneğini ölçüyor; bu beceriler, otonom yazılım mühendisliği ajanlarının temelini oluşturuyor.
Otonom ajanlara doğru yarış
Büyük dil modelleri, sohbet tarzı asistanlardan kod yazabilen, test edebilen ve hatta dağıtabilen araçlara dönüştü. Rutin mühendislik işlerini güvenilir bir şekilde bir yapay zekaya devredebilen şirketler, personel maliyetlerini düşürme ve ürün döngülerini hızlandırma potansiyeline sahip. OSWorld-Verified kıyaslaması, statik metin üretiminden daha fazlasını gerektirdiği için "ajan benzeri" yetenekler için fiili bir ölçüt haline geldi; çünkü bir sistemle gerçek dünyada etkileşim kurulmasını talep ediyor.
Qwen3.8-Max neleri beraberinde getiriyor
- 2,4 T parametreli MoE mimarisi – her bir token için 64 adede kadar uzman alt ağa danışılabilir; Alibaba, bu tasarımın hesaplama maliyetini yaklaşık %40 oranında azalttığını iddia ediyor.
- Multimodal istem işleme – model metin, görüntü ve yapılandırılmış verileri birlikte kabul ederek, tek bir isteğin bir kullanıcı arayüzünü (UI) tanımlamasına, bir ekran görüntüsü göstermesine ve yapılandırma dosyaları sağlamasına olanak tanıyor.
- 64k token bağlam penceresi – tam kod tabanları, günlük dosyaları veya uzun teknik raporları parçalara ayırmadan barındırabilecek kadar geniş bir alan sunuyor.
Bu özellikler, yazılım ekiplerinin üzerinde saatlerce çalıştığı "uçtan uca" iş akışlarını hedefliyor: bağımlılıkları çekme, günlükleri tarama, hataları yamalama ve dokümantasyon oluşturma.
Mikroskop altındaki rakamlar
| Görev | Bildirilen metrik |
|---|---|
| OSWorld-Verified (ajan benzeri işletim sistemi etkileşimi) | %86,1 başarı |
| Kod üretimi (HumanEval-Plus) | %78,4 geçiş |
| Multimodal akıl yürütme (MM-Bench) | %84,3 |
| Uzun bağlam özetleme (50k token testi) | %90,2 |
Tüm rakamlar Alibaba'nın dahili testlerinden gelmektedir. Eğer bu sonuçlar geçerliliğini korursa, model işletmelere kod, görüntü ve büyük belgeleri işleyebilen, aynı zamanda çıkarım maliyetlerini birçok yoğun (dense) model rakibinden daha düşük tutan tek bir API sunacaktır.
Riskler ve bağımsız doğrulama ihtiyacı
Üçüncü taraf doğrulamasının eksikliği, en acil uyarıdır. Kıyaslamalar ayarlanabilir, istemler optimize edilebilir veya belirli bir mimariyi kayırmak için test setleri filtrelenebilir. Dışsal bir replikasyon olmadan, Qwen3.8-Max'in GPT-5.6'yı "geride bıraktığı" iddiası geçici niteliktedir. Dahası, MoE modelleri dengesiz performans sergileyebilir: bazı tokenlar yeterince eğitilmemiş uzmanlara yönlendirilebilir, bu da ara sıra halüsinasyonlara veya tutarsız çıktılara yol açabilir; bu sorunlar, bir yapay zekadan üretim sistemlerini değiştirmesi beklendiğinde kritik önem taşır.
Sırada ne var?
- Bağımsız replikasyon – araştırmacılar ve bulut müşterileri muhtemelen aynı OSWorld-Verified paketini ve HumanEval-Plus testlerini halka açık donanımlar üzerinde çalıştıracaktır.
- Fiyatlandırma ve gecikme – Alibaba Cloud'un API fiyatlandırması, %40'lık hesaplama tasarrufunun geliştiriciler için somut bir maliyet avantajına dönüşüp dönüşmeyeceğini ortaya koyacaktır.
- Güvenlik araçları – otonom ajanlar altyapı üzerinde daha fazla kontrol kazandıkça, ekosistemin henüz erken aşamada olan izleme, geri alma (rollback) ve denetim mekanizmalarına ihtiyacı olacaktır.
Eğer Qwen3.8-Max manşetlerdeki rakamlarını karşılayabilirse, sohbet asistanı ile kendi kendine yeten bir mühendislik botu arasındaki fark çarpıcı biçimde azalacaktır. Önümüzdeki birkaç ay, modelin performansının incelemelerden geçip geçemeyeceğini ve işletmelerin onu otomatik geliştirme süreçlerinin omurgası olarak benimseyip benimsemeyeceğini gösterecektir.